論文の概要: Inferring COVID-19 Biological Pathways from Clinical Phenotypes via Topological Analysis

• arxiv url: http://arxiv.org/abs/2101.07417v1
• Date: Tue, 19 Jan 2021 02:27:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 09:48:12.261569
• Title: Inferring COVID-19 Biological Pathways from Clinical Phenotypes via Topological Analysis
• Title（参考訳）: トポロジカル分析による臨床症状からのCOVID-19生物学的経路の推測
• Authors: Negin Karisani, Daniel E. Platt, Saugata Basu and Laxmi Parida
• Abstract要約: 臨床ノートの分析と新型コロナウイルスに関連する経路の解明を支援するパイプラインを提案する。 パイプラインは位相的特性に依存しており,(1)臨床ノートを前処理して有意義な概念を抽出する,(2)抽出された概念を特徴付ける患者の特徴空間を構築する,(3)利用可能な知識を蒸留して結果を視覚化する,の3段階からなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: COVID-19 has caused thousands of deaths around the world and also resulted in a large international economic disruption. Identifying the pathways associated with this illness can help medical researchers to better understand the properties of the condition. This process can be carried out by analyzing the medical records. It is crucial to develop tools and models that can aid researchers with this process in a timely manner. However, medical records are often unstructured clinical notes, and this poses significant challenges to developing the automated systems. In this article, we propose a pipeline to aid practitioners in analyzing clinical notes and revealing the pathways associated with this disease. Our pipeline relies on topological properties and consists of three steps: 1) pre-processing the clinical notes to extract the salient concepts, 2) constructing a feature space of the patients to characterize the extracted concepts, and finally, 3) leveraging the topological properties to distill the available knowledge and visualize the result. Our experiments on a publicly available dataset of COVID-19 clinical notes testify that our pipeline can indeed extract meaningful pathways.
• Abstract（参考訳）: 新型コロナウイルスは世界中で数千人の死者を出し、国際経済に大きな混乱をもたらした。 この病気に関連する経路の特定は、医学研究者が疾患の性質をよりよく理解するのに役立ちます。 この処理は、医療記録を分析して行うことができる。 このプロセスで研究者をタイムリーに支援できるツールやモデルを開発することが重要である。 しかし、医療記録はしばしば構造化されていない臨床記録であり、これは自動化されたシステムを開発する上で大きな課題となる。 本稿では,臨床ノートの分析と疾患関連経路を明らかにするために,実践者を支援するパイプラインを提案する。 このパイプラインは, トポロジカルな特性に依存し, 1) 臨床ノートを前処理して, 健全な概念を抽出し, 2) 抽出した概念を特徴付ける患者の特徴空間を構築し, 3) トポロジカルな特性を利用して, 利用可能な知識を抽出し, その結果を視覚化する。 新型コロナウイルス(COVID-19)の臨床ノートの公開データセットに関する実験は、パイプラインが本当に意味のある経路を抽出できることを実証しています。

関連論文リスト

• PhenoFlow: A Human-LLM Driven Visual Analytics System for Exploring Large and Complex Stroke Datasets [21.783005762375417]
  PhenoFlowは、人間と大規模言語モデル(LLM)の協調を利用した視覚分析システムである。 PhenoFlowは、生の患者データにアクセスせずに、メタデータを使用して推論し、実行可能なコードを合成する。 本研究は,急性虚血性脳卒中患者のデータ駆動型臨床意思決定における現在の課題にLCMを用いて取り組む可能性を示す。
  論文  参考訳（メタデータ） (2024-07-23T09:25:59Z)
• Mapping Patient Trajectories: Understanding and Visualizing Sepsis Prognostic Pathways from Patients Clinical Narratives [2.3383924361298876]
  本稿では,臨床ノートから得られた敗血症予後経路の体系的手法を提案する。 これらの経路を可視化することは、様々な状況における病気の進行の可能性と方向性に光を当てる。 これにより、医療提供者は個別の患者に対してよりパーソナライズされ効果的な医療戦略を実施することができる。
  論文  参考訳（メタデータ） (2024-07-20T14:45:55Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• A causal learning framework for the analysis and interpretation of COVID-19 clinical data [7.256237785391623]
  ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。 特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。 対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
  論文  参考訳（メタデータ） (2021-05-14T15:58:18Z)
• Improving Clinical Document Understanding on COVID-19 Research with Spark NLP [0.0]
  世界的な新型コロナウイルスのパンデミックの後、ウイルスを研究する科学論文の数は大幅に増加しました。 これまでの取り組みを3つの方法で改善する臨床テキストマイニングシステムを紹介します。 まず、健康、解剖学、リスクファクター、有害事象の社会的決定要因を含む100以上の異なるエンティティタイプを認識することができます。 第2に、テキスト処理パイプラインは、アサーション状態検出を含み、患者以外の誰かの存在、欠如、条件付き、または、患者に関する臨床事実を区別する。
  論文  参考訳（メタデータ） (2020-12-07T19:17:05Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。